شبکة عصبی مصنوعی

کسب اطلاعات لازم در خصوص نیترات در منابع آب زیرزمینی مستلزم اندازه گیریهای دقیق دوره ای است که با وجود اندازه گیری آن در برخی مناطق، به علت حساسیت های اجتماعی و سلامتی جامعه گزارش نمیشود. بنابراین مدل سازی آن به علت اطلاع از وضعیت کیفی آب هر منطقه ضروری به نظر میرسد. هدف این مطالعه استفاده از روش شبکة عصبی مصنوعی در برآورد نیترات و مقایسة آن با مقادیر اندازه گیری شده و بررسی تأثیرپذیری برآورد نیترات از تعداد و ماهیت اطلاعات ورودی به مدل شبکه عصبی بود. داده ها از آمار و اطلاعات کمی و کیفی 53 حلقه چاه آب زیرزمینی دشت همدان- بهار در دو گروه اطلاعات پرهزینه و کم هزینه، طی سالهای 1382 تا 1387 اخذ شد. در گروه اطلاعات پرهزینه از 13 متغیر مستقل شیمیایی به عنوان ورودی شبکه عصبی مصنوعی و در گروه کم هزینه از 7 و 8 متغیر به تفکیک برای مدل سازی نیترات استفاده شد. مقایسة نتایج آزمون هر سه آرایش، حاکی از توانایی بالای مدل شبکة عصبی در پیش بینی غلظت نیترات است. مقایسة میانگین خطاهای حاصل از هر سه مدل شبکه عصبی با آزمون t و آماره Z نشان داد که تفاوت معنیداری بین نتایج مدل ها وجود ندارد. بنابراین استفاده از اطلاعات گروه دوم در ورودی شبکه عصبی قابل توجیه است. مشخصه های ورودی مدل پیشنهادی شامل خصوصیات ژئومرفولوژی عمق استاتیک، عمق چاه، مختصات جغرافیایی و اطلاعات کیفی دما، pH ، هدایت الکتریکی نمونه های آب اندازه گیری شده است که موفق به پیش بینی غلظت نیترات با اطمینانی بیش از 80 درصد شد که مؤید کارایی مناسب مدل در آبخوان دشت همدان-بهار است

این پژوهش به منظور تعیین روش برتر پس پردازش آماری بر بارش حاصل از اجرای الگوی RegCM4 در شمال غرب انجام گرفت. داده های مورد نیاز اجرای الگوی RegCM4 شامل داده های بازتحلیل وضع جوی (NNRP1)، داده های دمای سطح دریا (SST) و داده های سطح زمین (SURFACE) از مرکز ICTP دریافت شد. به منظور اجرای این الگو، آزمون تعیین طرحوارة همرفت و جداسازی افقی مناسب انجام گرفت که با استناد به آن، طرحوارة Kuo به نسبت دو طرحوارة Grell و Emanuel خطای کمتری را در اجرای الگو سازی بارش منطقه داشت. جداسازی افقی نیز سی کیلومتر انتخاب شد. پس از اجرای الگو، برونداد بارش با استفاده از روش های شبکة پرسپترون چندلایه (MLP) و میانگین متحرک (MA) پس پردازش شد. براساس نتایج، اعمال پس پردازش روی داده های بارش خام سالانة الگو، موجب کاهش میانگین اریبی خطای داده های به دست آمده و رسیدن به رقم 9/8 میلی متر شد؛ در حالی که این آماره برای برونداد خام سالانة الگو 3/124 میلی متر بود. در مقیاس های زمانی فصلی و ماهانه نیز میانگین اریبی خطای بارش شبیه سازی به ترتیب برابر 1/31 و 4/10 میلی متر بود که پس از اعمال پس پردازش به روش های یادشده، این آماره به ترتیب به 3/0- و صفر میلی متر رسیده است. روش برتر پس پردازش نیز در تمام مقاطع زمانی، MA بوده است.

امروزه بخش مهمی از تقاضای جهانی گردشگری را گردشگری فرهنگی تشکیل می دهد. به رغم غنا و تنوع فرهنگی سکونتگاه های روستایی کشور، این گردشگری رشد مناسبی در این نواحی ندارد. هدف پژوهش حاضر بررسی و تحلیل راهبردهای مطلوب توسعة گردشگری فرهنگی در نواحی روستایی شهرستان بینالود است. روش تحقیق توصیفی تحلیلی با ماهیتی کاربردی توسعه ای است. جمع آوری اطلاعات به شیوة اسنادی و میدانی انجام شده است. با استفاده از مدل تحلیلی SWOT ، راهبردهای مناسب توسعة گردشگری فرهنگی نواحی روستایی ارائه شد. به منظور اولویت بندی راهبردها، از روش شبکة عصبی مصنوعی (ANN) استفاده شد. نتایج به دست آمده نشان می دهند راهبردهای مطلوب برای توسعة گردشگری فرهنگی در نواحی روستایی شهرستان بینالود براساس امتیازهای نرمال شده در مدل ANN، راهبردهای محافظه کارانه (با امتیاز 5431/0) و پس از آن راهبردهای تدافعی (با امتیاز 2842/0) هستند. براساس شبکة عصبی مصنوعی، 10 راهبرد دارای اولویت انتخاب شد، که راهبرد «تدوین برنامة جامع و بلندمدت گردشگری فرهنگی» با امتیاز یک بیشترین اولویت را در منطقة مطالعه شده دارد.

امروزه خشکسالی یک معضل جدّی و گریبانگیر دربسیاری از کشور های جهان است؛بنابراین پیش بینیِ آن از اهمیت به سزایی برخوردار می باشد. در این تحقیق، کارایی شبکة عصبی مصنوعی و سیستم استنتاج عصبی - فازیتطبیقی به عنوان روش هایی مؤثر برای پیش بینی شدت خشکسالی حوزة ""مُند"" استان فارس مورد بررسی قرار گرفت. برای این منظور از داده های بارندگی ماهانة ایستگاه باران سنجی تنگاب استان فارس با دورة آماری 32 ساله استفاده گردید. شدت خشکسالی در دورة ماهانه با استفاده از شاخص بارندگی استاندارد شده (SPI) تعیین شد؛ سپس به وسیلة مدل های ANN وANFIS و با استفاده از شاخص SPI پیش بینی شدت خشکسالی انجام گردید. از بین داده های موجود، 70 درصد به عنوان داده های آموزش و مابقی به عنوان داده های اعتبارسنجی و داده های آزمون انتخاب شد؛ سپس از طریق معیار های آماری شامل ضریب همبستگی، میانگین مجذور مربعات خطا و ضریب ناش به کارایی عملکرد مدل ها پرداخته شد. نتایج نشان دادد که دقت روش شبکه های عصبی مصنوعی از روش سیستم استنتاج عصبی - فازیتطبیقی بیشتر می باشد؛ همچنین یافته های حاصل از این بررسی نشان می دهد که هرچه پراکندگی داده های ورودی مدل بیشتر باشد مدل استنتاج عصبی - فازی تطبیقی دارای توانایی بیشتری در شبیه سازی این نوع از داده ها می باشد.

تبخیر مؤلفه ای اساسی در چرخة هیدرولوژی است و نقش مهمی در مدیریت منابع آب دارد. در این تحقیق عملکرد مدل های شبکة عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در تخمین تبخیر روزانه ارزیابی شده است. داده های روزانة هواشناسی میانگین دما، سرعت باد، فشار هوا، رطوبت نسبی، بارش، دمای نقطة شبنم، و ساعت آفتابی ایستگاه های سینوپتیک تبریز و مراغه، به منزلة ورودی مدل های ANN و SVM، برای تخمین تبخیر روزانه استفاده شد. نخست ده ترکیب مختلف از هفت ورودی و سپس ورودی های منفرد به منظور تخمین تبخیر به کار گرفته شدند. نتایج مدل های استفاده شده نشان داد که هر دو مدل ANN و SVM عملکرد قابل قبولی در تخمین تبخیر دارند. ارزیابی نتایج استفاده از ورودی های تکی نشان داد که به ترتیب کاربردِ پارامترهای میانگین دما و ساعت آفتابی نسبت به پارامترهای دیگر نتایج بهتری در تخمین تبخیر هر یک از ایستگاه ها داشته است. بررسی های این تحقیق نشان می دهد که اگرچه تفاوت معنی داری بین نتایج سه تابع کرنل ماشین بردار پشتیبان وجود ندارد، تابع کرنل پایة شعاعی در مقایسه با توابع کرنل دیگر از دقت زیاد و عملکرد بهتری در تخمین تبخیر روزانه برخوردار است.

رشد سریع شهرنشینی فشارهای سنگینی بر سرزمین و منابع اطراف آن ها وارد کرده و موجب کاهش پوشش گیاهی، کاهش فضاهای باز و مشکلات جدی اجتماعی و زیست محیطی شده است. هدف از این مطالعه، درک عوامل مؤثر در روند توسعة فیزیکی شهر ایلخچی با عنایت به توسعة فضایی پایدار شهری از بعد اکولوژیکی و حفظ شرایط زیست محیطی آن در دو دهة آتی است؛ بدین منظور با استفاده از تصاویر ماهواره ای چندزمانة لندست 5 و فنون پردازش شیء گرا، تغییرات کاربری اراضی در مقطع زمانی 1360-1390 با تأکید بر گسترش افقی شهر ایلخچی ارزیابی شده است. براساس نتایج، مقدار مساحت شهر ایلخچی از 59/94 هکتار در سال 1363 به 57/438 هکتار در سال 1390 رسیده و 84/195 هکتار از توسعة ذکرشده بر روی اراضی باغی و زراعی صورت گرفته است که لزوم مدیریت توسعة آتی مبتنی بر اصول توسعة پایدار می طلبد. گفتنی است عوامل مؤثر بر توسعة فیزیکی شهر ایلخچی براساس پیشینة تحقیق، در قالب دوازده شاخص شناسایی، و با استفاده از روش شبکة عصبی مصنوعی نقشة احتمال توسعة شهری تهیه شده است. پس از پیش بینی الگوی آتی توسعة شهری در شهر ایلخچی با استفاده از راهبرد حفاظت از باغ ها و فضاهای سبز در فرایند توسعة شهری با بلوک بندی نقشة احتمال توسعة شهری، عواملی چون دادن فضای لازم برای توسعه، استخراج کمربند سبز طبیعی شرقی-غربی به طول پنج کیلومتر، اعمال ممنوعیت توسعه در اطراف کمربند سبز پیشنهادی و حفظ ذخایر اکولوژیک شهر ایلخچی با کاهش تخریب اراضی باغی عملیاتی شده است.